动作模型学习范文

动作模型学习范文第1篇

一、卷积神经网络

卷积神经网络[3]具有局部感知、参数共享特性, 基本结构包括了卷积、池化及全连接层;而卷积计算获取每一块区域的局部特征, 经激活后的结果传播到后层操作。公式如下:

(1) 式中, l代表层数;kil为卷积核 (模板) ;f为输入层的特征图集合;ibl为每个输出图的偏置数。

反向传播算法

反向传播是根据网络输出结果与实际值产生的误差对参数进行调整, 最终训练得到最合适的参数值的过程。其中, cost为计算误差公式 (2) 中表示, m为输入样本, y (m) 为实际值, a (m) 为样本输出值。

二、迁移学习

迁移学习 (Transfer learning) 是一种省时高效的方法。按照方法可归纳为基于样本、基于特征、基于参数、基于相关性四种迁移学习。TL由域D和Feature space中X以及Feature space上的边际概率分布组成, 可定义为。

三、使用迁移学习的分类模型

本文流程如图1所示, 传入后图像大小归一化为224*224, 放入具有迁网络模型中完成特征提取和训练工作, 最后得到分类结果。

四、实验结果与分析

实验环境为Ubuntu16.04, 软件为Python3.6, 框架为TensorFlow。数据集来自Kaggle, 含十类共22.424张标记的驾驶员图像作为实验数据, 训练集和验证集比例设置为7:3。

本文在进行迁移学习时预先下载了网络权重, 由于分类数目不同, 模型的最后一层替换为10分类的分类器。学习率设为0.0001, epoch为100。实验对比结果如表1所示:

根据结果可知, 迁移学习表现力更好, 比直接训练数据增强了泛化能力。

五、总结

针对因驾驶员分神行为造成的交通事故, 本文从日常驾驶习惯动作角度出发, 应用迁移学习知识进行实验, 结果表明, 用ResNet-50模型参数迁移到驾驶员模型的学习方式可达到更有效的提取特征的目的。在未来工作中, 需要继续优化网络结构。

摘要：大部分交通事故中驾驶员分神操作行为是不可忽视的成因之一, 针对传统人工提取特征算法中不足之处及分类效果不佳问题;提出一个驾驶员分神操作分类模型, 通过在Resnet50网络上采用具有泛化能力的迁移学习方法进行训练, 同时替换为目标样本分类个数, 根据训练情况微调。结果表明, 该方法取得了良好实验效果。

关键词：分神操作,迁移学习,特征提取

参考文献

[1] 唐阳山, 徐忠帅, 杨语尧.基于面部表情的驾驶员疲劳特征提取[J].辽宁工业大学学报 (自然科学版) , 2018, 38 (06) :404-407+412.

[2] Kuefler A, Morton J, Wheeler T, et al. Imitating driver behavior with generative adversarial networks[C]//Intelligent Vehicles Symposium (IV) , 2017 IEEE. IEEE, 2017:204-211.

动作模型学习范文第2篇

一、精准营销是商业银行发展的必备要素

商业银行零售业务的业务种类繁多、客户量庞大，依靠传统营销经验很难找到大量的精准目标客户。故通过数据分析、机器学习模型等方法进行海量精准客户筛选，从而提升投入产出比成为精准营销的关键。

近年来，国内银行业开展的基于机器学习算法的精准营销试点工作也取得了初步成效：某国有银行分别完成了客户精准营销主题9项功能、产品精准营销主题16项功能的全行推广;某股份制银行通过精准营销不仅实现了对3000多万大零售客户的集中运营管理(含信用卡客户)、为超过400万的贵宾客户提供个性化的服务，同时还节省了超过500万的营销成本，最终完成了零售业务的二次转型升级;某股份制银行基于精准营销模型结果为客户推荐产品，推广支行的客户金融资产总额、理财余额等指标均有显著提升，同时该行为客户搭建的流失预测模型，其前30%分位数提升2.45倍，模型总体预测效果较为理想。

虽然国内银行业已有一些可借鉴的精准营销成功实践经验，各商业银行沉淀的大量客户数据也是一个亟待挖掘的巨大宝库，但是由于不同银行的客户数据结构不同，模型也无法复用。因此我们仍需在银行业基于机器学习算法的精准营销道路上秉承“智能化、标准化、自动化、规模化”的原则不断进行探索。

二、基于机器学习算法的理财产品响应预测模型

（一）业务需求理解与解析

在互联网金融时代，随着客户对金融知识的理解不断提升、对资产管理的意识不断加强、对产品的要求不断提高，理财成为商业银行营销的重要产品类型。为了更好、更精准的为客户提供个性化产品服务，本文针对某商业银行的理财产品构建基于机器学习算法的产品响应预测模型。通过观察零售客户购买该类理财产品的行为特征，对未来1个月客户购买该类理财产品的可能性进行预测，并将模型预测结果应用于实际产品营销中，为一线业务人员降低营销成本、提升营销效益提供有力支撑。

（二）数据搜集与整理

数据为某商业银行零售客户脱敏数据，具有真实性与可靠性。基于本次精准营销理财产品响应预测模型的具体需求，结合业务知识判定，构建分类预测模型。获取模型目标变量的业务含义，即客户未来1个月是否购买该类理财产品，并进行数据加工处理。本次搜集并提取的建模所需数据宽表包含：自变量237个，因变量1个，客户数据661198条。

（三）数据探索与分析

基于数据宽表，输出各自变量的描述性统计分析结果，如：自变量TRANSFER_AMT_6的数据量为82405、均值为278335.36、标准差为3129411.02、最小值为0、下四分位为0、中位数为300、上四分位为47100、最大值为470000000，并结合业务知识对自变量进行基础处理，如：错误值检验、缺失值检验、异常值检验等。完成基础数据处理后，一方面需要对数据进行去量纲化，即数据标准化，消除不同变量间的量纲，减少因量纲不同造成的误差;另一方面为了避免模型结果过拟合，需要将数据抽样划分为训练集和测试集，划分比例为7:3，其中训练集是用来对模型进行拟合的数据样本，测试集是用来评估最终模型泛化能力的数据样本。

（四）特征选择

样本数据中的特征(即自变量)过多，需要运用统计知识结合业务知识对特征进行筛选，达到减少特征数量(降维)、减少模型过拟合、提高模型泛化能力的目的。特征选择一般分为以下几种方式。

1. 删除单一值占比过大的特征，如某特征值的单一值占比达到95%以上，则认为这个特征作用不大，需人工删除;

2.利用卡方检验筛选变量，检验定性自变量与定性因变量的相关关系，当P值小于0.05时，表示自变量分布与因变量分布有显著差异，需保留该变量，否则删除;

3.利用变量IV值筛选变量，对变量进行WOE转换，计算变量IV值并设置阈值，保留变量IV值大于0.1的变量;

4.对变量进行多重共线性检验，计算变量的方差膨胀因子VIF值，保留VIF值小于10的变量;

5.利用PCA进行降维，经过反复验证，在模型效果不下降的前提下，尽量减少变量个数，最终保留30个变量作为入模变量。将经过以上特征选择方法进行筛选后的自变量与因变量重新加工形成新的数据宽表进行建模。

三、构建基于逻辑回归算法的预测模型

客户是否购买理财产品的模型采用二元逻辑回归模型。逻辑回归(Logistic Regression)是用于处理因变量为分类变量的回归问题，因变量用P表示概率，P的取值范围是：0≤P≤1。需要对P进行逻辑变换：logit(P)=ln(P/1-P)，即可得到逻辑回归的表达式为：

其中X1,X2,,Xn分别代表上述特征筛选之后的自变量;Θ0,Θ1,,Θn分别代表各自变量X的系数，即模型参数。利用statsmodels中的函数结合数据得到逻辑回归模型的参数，最终得到的结果，如：AUM_M_AD_woe的P值为0.000、FIN_EX-PIRE_NUM_M_woe的P值为0.000、SAVDEPT_AMT_M_woe的P值为0.743、TRANSFER_AMT_6_woe的P值为0.036、PROD-UCT_NM_woe的P值为0.000等30个入模变量。其中有些变量的P值大于0.05，即表示变量不显著，需进行删除处理。从原有的30个变量中删除5个变量(如：SAVDEPT_AMT_M_woe的P值为0.743)，还剩显著变量25个。

此时得到的模型参数并不是最优的，需使用最小损失化函数对参数进行最优化调整。本文使用梯度下降法对模型损失函数进行最优化。梯度下降法的原理是通过迭代，找到目标函数的最小值或收敛到最小值，基本公式为：

其中，η为学习率，即每次迭代的步长;J(Θ0,Θ1,,Θn)是损失函数。

其中xi 0=1。

在实际模型建设过程之中，步长η太大会导致迭代过快，甚至可能错过最优解;步长η太小，迭代速度太慢，导致很长时间算法都无法结束。

经过梯度下降的逻辑回归模型的结果指标为：KS=0.712,AUC=0.922。

构建基于随机森林算法的预测模型

随机森林由Leo Breiman提出，通过bootstrap重采样技术从原始训练样本集M中有放回的重复随机抽取n个样本，生成新的训练样本集合后，根据自助样本集生成n个分类树组成随机森林，新数据的分类结果根据分类树投票多少形成的分数来决定。具体的实现过程如下：

1)原始训练集为M，应用自助法有放回的随机抽取n个新的自助样本集，并由此构建k棵分类树，每次未被抽取到的样本组成了n个袋外数据;

2)假设有a个变量，则在每棵树的每个节点处随机抽取b个变量，并在b中选择一个最具分类能力的变量，变量分类的阈值通过检查每个分类点来确定;

3)每棵树最大限度的生长，而不做任何的修剪;

4)将生成的多棵分类树组成随机森林，并用随机森林分类器对新数据进行判别、分类，分类结果根据分类器的投票多少来决定。

使用随机森林模型对该数据进行建模，模型结果的指标为：KS=0.512,AUC=0.756。

四、逻辑回归模型与随机森林模型结果对比分析

通过对比两种模型的结果可以发现，随机森林模型的KS和AUC值显著低于经过梯度下降的逻辑回归模型的相应指标，故从该商业银行的数据情况来看，经过梯度下降优化后的逻辑回归模型效果更好。

基于机器学习算法的精准营销在商业银行领域的挑战。虽然随着新技术的不断兴起，基于机器学习算法模型的精准营销在商业银行领域受到青睐，但是在实际搭建及应用过程中仍会遇到一些挑战。

从数据层面，商业银行的数据基本上是结构化数据，相较互联网金融公司而言，在非结构化数据方面比较欠缺，搭建模型时可能会出现数据不够丰富，模型结果片面等情况;

从模型层面，筛选变量或者搭建模型的过程中，如果只单纯以数据及算法产生的结果来评估变量、模型的好坏，而脱离了业务知识及业务发展的实际情况，即使模型效果指标再漂亮对实际业务也是无意义的。因此建模人员对银行业基础业务的理解、对数据含义的解读及应用能力就显得尤为重要;

从应用层面，精准营销模型的好坏除了数据、算法等模型本身涉及的方面外，一线业务人员是否相信、是否不折不扣的按模型结果进行落地，以及营销技巧的使用是否得当等都会对模型的推广、迭代以及评价造成影响，因此业务人员的配合与反馈十分关键。

摘要：本文意在通过机器学习算法对银行零售数据进行深度挖掘，探索传统商业银行基于机器学习模型构建精准营销策略的切入点。本文使用商业银行数据分别构建基于逻辑回归算法和随机森林算法的理财产品响应预测模型，并进行结果对比分析，得出经过梯度下降优化后的逻辑回归模型效果更好的结论。并将此模型预测结果应用于实际理财产品营销中，为改变传统商业银行营销思路、提升营销精准度提供帮助。

关键词：机器学习,商业银行,精准营销,逻辑回归,随机森林

参考文献

[1] 贾俊平.统计学(第7版)[M].中国人民大学出版社，2018.

[2] 王芳.基于机器学习理论的电商用户行为研究[D].北京：物资学院，2018.

[3] 张毅.数据为王颠覆营销：移动时代的大数据精准营销.人民邮电出版社，2017.

[4] 林庆鹏.基于大数据挖掘的精准营销策略研究[D].兰州：理工大学，2016.

动作模型学习范文第3篇

1 移动学习与技术接受模型

1.1 移动学习

移动学习是指利用无线移动通信网络技术以及无线移动通信设备 (如手机、平板电脑、个人数字助理等) 获取教育信息、教育资源等服务的一种新型学习方式。进入信息化时代后, 大学生各方面的学习和生活都与各种无线设备息息相关。随着经济的发展, 移动学习正在成为一个集合多学科, 覆盖多领域, 涉及多方面的研究领域, 在世界范围内, 移动学习逐渐成为教育领域的探索焦点。

1.2 技术接受模型

1989年, 为解释信息系统低使用率问题, Davis教授以理性行为主义为基础, 提出技术接受模型 (TAM) 。学者们将TAM用于研究移动学习接受行为时, 往往会引用一些新的变量 (例如感知娱乐性、感知财政成本等) 以扩展TAM模型, 提高该模型的解释能力。外部因素作为外部变量, 对人们是否使用系统产生影响, 主要影响感知易用性和感知有用性, 在便于使用和发现有用的基础上产生使用系统的行为意向, 进而影响最终行为和结果。现如今, TAM模型已得到大量的研究和实证支持, 成为行为研究领域的基本模型之一, 并将模型不断完善。TAM模型如图1所示:

2 模型架构与理论假设

2.1 模型架构

本研究的研究模型是基于原TAM模型下的扩展式技术接受模型, 采用了原模型中的感知有用性、感知易用性、使用态度、行为意向4个变量, 基于前人已有的其他研究成果增加了自我学习管理能力、资源优化性、社会影响3个变量, 以期更加充分的了解影响当代大学生移动学习行为意向的因素。

2.2 各研究变量的操作性定义

通过对参考文献的总结, 本文的各研究变量定义整理如表1所示。

2.3 模型研究假设

根据建立的扩展式技术接受模型, 本研究提出如下8个研究假设。

3 数据收集与分析

3.1 问卷发放与回收

本研究以山东大学 (威海) 的大学生为研究对象, 问卷通过网上调查的形式发放, 共回收问卷310份, 其中有效问卷296份。本研究在问卷设计上可分为两部分, 一部分是基本信息部分, 另一部分是移动学习行为意向影响因素部分, 采用李克特五点量表的自述式问卷, 将问卷中的变量按完全不同意、不太同意、中立态度、比较同意、非常同意进行划分。

3.2 数据分析

本研究数据分析使用SPSS22.0, 模型验证与分析工具使用AMOS21.0。主要是对数据进行了描述性统计分析、验证性因子分析和结构方程模型检验。

3.2.1 描述性统计分析。

本次问卷调查以山东大学 (威海) 在校大学生为调查对象, 基本信息部分主要是对样本的性别、年级、拥有移动学习设备的数量等特征进行统计分析, 其中被试女生数量多于男生, 占54%;学生年级主要是大二和大三, 占74.33%;拥有移动学习设备的数量方面, 至少拥有一种移动学习设备的学生占96.67%。

3.2.2 验证性因子分析。

验证性因子分析是对调查数据进行的一种统计分析, 研究目的在于从理论假设出发, 检验理论与数据的一致性, 从而检验并最终发展理论。本研究应用AMOS21.0软件对5个变量进行验证性因子分析。

本研究在进行验证性因子分析之前首先通过使用拟合指数对模型数据的合理性进行了检验如表4所示。一般的卡方自由度比小于3.0时表示模型的适配度较佳。当其值小于1.0时, 表示模型过度适配, 模型CMIN为391.803, DF为188, CMIN/DF为2.084<3, 说明模型的拟合度较好。GFI是适配度指数, AGFI为调整的适配度指数, AGFI的值介于0~1之间, 数值越接近1, 表示模型的适配度越好, 一般要求AGFI>0.8, NFI为规准适配指数, IFI为增值适配指数, CFI为比较适配指数, 各项指标数值越接近1, 表示模型的适配度越好, 一般要求大于0.8, 渐进残差均方和平方根RMSEA, 其值越小表示模型的适配度越好。一般可接受的范围是<0.08, 当RMSEA>0.1时就不可以接受了。从模型拟合结果来看其中GFI指标、AGFI指标、IFI指标、NFI指标、CFI指标均大于0.8反应模型可以接受, Rmsea小于0.1说明模型拟合度较好。

由表5可知, 每个题项的标准化因子载荷均大于0.5, 说明每个题项都可以很好的解释其所在的维度。

组合信度 (CR) 是模型内在质量的判别准则之一, 反映了每个潜变量中所有测项是否一致性地解释该潜变量。由表可知, 组合信度CR大于0.7, 说明每个潜变量中的所有测项都可以一致性地解释该潜变量。

各维度的AVE大于0.5, 且AVE大于相关系数的平方, 说明量表有很好的收敛效度和区别效度。

3.2.3 结构方程模型检验。

结构方程建模 (Structurall Equationl Modeling, SEM) 也成为结构方程分析, 它是基于样本数据来评估研究者提出的理论模型是否可以接受的一种统计分析工具。它可以同时处理多个因变量并能估计因子结构、因子关系和整个模型的拟合程度。根据理论模型, 运用AMOS21.0建立结构方程模型。

在判断结构方程模型是否成立时, 主要通过对一些拟合指标的测算来衡量, 其中x2/df一般要求小于3, GFI是适配度指数、AGFI为调整的适配度指数、NFI规准适配指数、IFI增值适配指数、CFI比较适配指数, 一般要求这些值均大于0.9, 表示模型适配能力较好。RMSEA应小于0.08表示适配能里较好, 模型拟合程度较好。由表6可知, 修正后模型的拟合程度较好, 模型可以接受。

由表7可知, 从自我学习管理能力到感知有用性的标准化路径系数为0.295 (t=5.378, p=0.000<0.05) , 说明自我学习管理能力对感知有用性具有显著的正向影响, 即自我学习管理能力越强, 感知有用性越大;从资源优化性到感知有用性的标准化路径系数为0.389 (t=6.694, p=0.000<0.05) , 说明资源优化性对感知有用性具有显著的正向影响, 及资源优化性越高, 感知有用性越高;从感知易用性到感知有用性的标准化路径系数为0.351 (t=6.066, p=0.000<0.05) , 说明感知易用性对感知有用性具有显著的正向影响, 即感知易用性越高, 感知有用性越高;从感知易用性到使用态度的标准化路径系数为0.230 (t=3.123, p=0.002<0.05) , 说明感知易用性对使用态度具有显著的正向影响, 即感知易用性越高, 使用态度越高;从社会影响到使用态度的标准化路径系数为0.339 (t=4.951, p=0.000<0.05) , 说明社会影响对使用态度具有显著的正向影响, 即社会影响越大, 使用态度越高;从感知有用性到使用态度的标准化路径系数为0.202 (t=2.800, p=0.005<0.05) , 说明感知有用性对使用态度具有显著的正向影响, 即感知有用性越高, 使用态度越高;从感知有用性到行为意向的标准化路径系数为0.392 (t=6.100, p=0.000<0.05) , 说明感知有用性对行为意向具有显著的正向影响, 即感知有用性越高, 行为意向越高;从使用态度到行为意向的标准化路径系数为0.436 (t=6.650, p=0.000<0.05) , 说明使用态度对行为意向具有显著的正向影响, 即使用态度越高, 行为意向越高。

4 研究结论

本研究通过建立扩展式技术接受模型, 并使用结构方程模型进行分析, 可以得出如下结论:

第一, 感知有用性不仅受到传统技术接受模型中感知易用性的正向影响, 同时基于个体内部发展因素的自我学习管理能力和基于外部供给因素的资源优化性都会对感知有用性产生正向影响, 其中资源优化性对感知有用性的影响最大, 一定程度上反映了当前我国强调供给侧改革的正确性和必要性。

第二, 本研究验证了感知有用性和感知易用性对于使用态度的正向作用, 但是其影响程度并不是非常突出, 相比较而言社会影响因素对于大学生使用移动学习的态度产生了更为重要的影响, 反映出大学生个体的态度、行为受到个人从众心理和社会力量的影响是深远而巨大的。

摘要：近年来, 以无线网络技术和无线移动通信设备为媒介的移动学习在大学生中间逐渐成为一种被广泛采纳的学习方式, 并对传统学习方式带来了一定程度的冲击。行为意向是驱使大学生做出实际行为的重要影响因素。本文基于传统的技术接受模型为理论基础, 通过引入新的变量构建了扩展式技术接受模型并提出了新的研究假设, 通过问卷调查的方式对于研究假设进行了实证分析。

关键词：移动学习,行为意向,影响因素

参考文献

[1] 马如宇.影响移动学习用户使用态度的前置性和潜在性因素解析基于扩展式科技接受模型的视点[J].中国远程教育, 2009, (08) :70-74.

[2] 许玲, 郑勤华.大学生接受移动学习的影响因素实证分析[J].现代远程教育研究, 2013, (04) :61-66.

[3] 朱晶.基于TAM模型的研究生移动学习影响因素研究[D].山东师范大学, 2015.

[4] 武刚.基于TAM模型的大学生移动学习影响因素探析[D].南京邮电大学, 2014.

[5] 王金涛.大学生采纳移动学习行为影响因素研究以高等师范院校为例[J].中国远程教育, 2015, (01) :49-54.

动作模型学习范文第4篇

1 假动作的分类

1.1 按动作分

(1) 脚步移动:利用脚步动作的变速、变向、急停、转身。

(2) 球的传、接、运、投等动作。

(3) 头、肩、手臂、面部表情, 视线转移等动作。

1.2 按动作的意义分

(1) 进攻假动作:传球、运球、突破、投篮等。

(2) 防守假动作:堵位、盖帽、堵中放边等, 抢断, 诱使持球队员进入夹击区等。

2 假动作的实质

假动作其实质就是一个或多个技术动作连续或者分解完成的运用过程。在连续的技术运用过程中很好地控制自身动作表现, 判断对手的真实意图, 使其失去重心、失去节奏、失去位置, 从而寻求有利于自己的时间、空间和角度, 以此取得更多的主动权。简而言之, 假动作的实质也就是技术动作的连续完美运用能力加上大脑意识的正确判断。

3 防守中假动作的运用和训练

3.1 防无球队员的假动作运用和训练

比赛中, 队员绝大多数时间处于无球状态, 更多的防守主要是针对无球队员。防守无球队员时, 运用假动作的目的是断球, 不让其在得分点接球, 或减少让其接球次数, 或使其接球点离篮较远, 如运用变化距离抢断球;运用眼神变化断球;运用虚晃、速度和动作节奏变化堵切人等。总之, 重点控制无球队员的进攻路线, 抢占其投篮区, 打乱对手的习惯配合和习惯动作, 防守中真真假假, 让对手不适应, 迷惑对手以达防守的真正目的。要提高防守的主动性、攻击性, 提高防守技能, 很好地运用假动作, 在平时的训练和比赛中, 有意识地分析对手状况, 采取具有针对性的防守策略, 要做到内紧外松, 判断球的位置, 占据最佳的防守位置, 提高运用假动作的技巧, 以达到防守成功的目的。训练方法如:脚步动作练习、身体重心移动练习、半场一对一防无球队员等。

3.2 防持球队员的假动作的运用和训练

3.2.1 防传球时的假动作

防传球时要根据其位置和视线判断其传球意图, 并积极阻挠, 逼使传球者不能准确、顺利地传球, 防守传球的重点是封堵其往内线的传球, 尽可能的切断或减少对手的内、外线配合。防传球时有两种情况, 一是持球者未运球前, 二是运球停止后。若是持球者不能运球了则防守者可上去紧逼, 迫使其背向进攻方向, 并挥舞双手干扰其传球, 减少传球的威胁性和准确性, 也给同伴创造抢断球的机会。在防投、防突的基础上, 集中注意力观察持球者的面部表情、手臂动作, 把自己抢断球的欲望隐藏到防守中去, 一旦对手传球, 防守者便在判断准确的基础上把球断走。训练中要注重防守意识的培养, 训练手臂动作的干扰, 对传球动作的判断, 对停球队员的积极封堵, 多进行防传球、干扰球的练习。练习方法如:一防二传球练习、二防三传球练习、防传内线球练习等。

3.2.2 防守运球突破时的假动作

防守运球突破的队员时, 防守者应将视线集中在对手运球的手和球上, 以身躯对着球的着地点, 同时用手的动作干扰其运球, 堵其强侧手的运球路线, 迫使其用弱手运球, 放松进入夹击区的防守路线, 诱对手进入夹击点, 从而达到在夹击区形成以多防少, 伺机抢断的目的。又或者在防守运球队员时, 假装放松对其的紧逼, 使其放松戒备, 然后伺机抢断。训练中重要的是防守步法与身体重心的控制, 运用防守步法紧跟对手, 利用身体重心的变化扰乱对手的进攻, 创造获得球权的机会。练习方法如:半场运球一对一防守、全场运球一对一防守、综合脚步动作练习、全场二防一练习等。

3.2.3 防投篮时的假动作

在防投篮时, 要视对手投篮的特点和习惯, 熟悉其投篮的习惯动作, 积极抢占对手的投篮区, 封锁其投篮点, 在近球区加压防守破坏对手的投篮习惯动作, 逼使对手离开他的投篮区和采用不习惯的动作投篮, 以取得最佳防守效果。对正在做投篮动作的进攻队员, 防守一定要有上步贴近、扬手干扰的动作, 要给进攻投篮队员施加压力, 同时要防范其突破。上前封盖动作逼真、撤步防突迅速, 真假结合, 扰乱对手。篮下投篮队员的规律一般是利用时间差、空间差进行投篮时, 一般会利用时间差先做一个投篮的假动作, 待防守队员上当而跳起封盖并下落时, 再从容地投篮, 防守时要做判断对手的真实动作, 或做出封盖的假动作。防守队员要占据合理的防守位置, 同时防守者做抬上体、两臂上摆, 面部、头部相应的起跳表情, 但两膝弯曲重心保持在两腿之间, 随时准备移动;一旦对手跳起投篮时, 便可以从容地起跳封盖, 若投篮者不投篮改为其他动作时, 防守者同样凭着良好防守位置而进行防守。训练中要强调防守的动作、位置、判断, 重要的还有身体重心的控制, 对身体动作的驾驭能力。练习方法如:篮下一对一斗牛、半场一对一防守、移动换位防守练习、追防练习、篮下连续起跳练习、身体重心控制练习等。

3.2.4 防持球突破时的假动作

防持球队员突破时, 进攻队员的动作一般是左晃右突、右晃左突、假瞄篮真突破等, 防守队员运用假动作时要占据合理的防守位置, 上步能封盖, 撤步能堵位, 再就是要了解对方的习惯动作, 准确判断进攻者动作的真假, 从而采取相应的防守动作。在训练中要注意防守队员身体重心控制的练习, 做上步的同时立刻能做撤步, 往左堵位时随时能撤回重心往右堵位。练习方法如:脚步动作练习、身体重心控制练习、移动中一对一防守练习等。

4 进攻中假动作的运用与训练

4.1 无球进攻队员的假动作

利用方向变化、速度变化的结合摆脱对手, 形成接球攻击机会。训练中注重运动员变速与变向的结合, 要能快能慢, 3~5步的快速启动, 加上变向与转身, 反方向的运动造成位置差, 动作节奏的快慢变化造成时间差或空间差, 利用假动作的变向变化以及节奏变化与防守队员之间造成时间差、位置差或空间差, 停与起、快与慢等动作的方向、节奏的不同、就造成攻守队员之间的位置错位。练习方法如:变速变向练习、加速急停转身练习、跨步抢位练习、连续假动作组合练习等。

4.2 传球的假动作

比赛中的传球大多需要假动作的掩护, 与传球相关联的假动作有:眼神、视线、头、肩、手等, 运动员要掌握几种主要传球方法双手、单手、击地、头上、背后等, 在熟练掌握传球技术的基础上结合假动作达到传球目的。也就是说每一次的传球都要有假动作, 哪怕只是一个眼神的假动作。传球必须做到快速、及时、准确、隐蔽多变, 真假结合, 声东击西, 出其不意。最重要地是球场上的观察能力的训练, 以及手指、手腕对球的控制能力训练。练习方法如:无防守的传球假动作练习、二人传球一人防守练习、三人传球一人防守练习、传内线球专门练习、手指手腕小力量练习等。

4.3 运球的假动作

运动员首先要熟练掌握运球基本功, 合理利用控制球优势达到过人目的, 在训练中注意培养运动员利用速度、方向、节奏的变化运球, 左右手熟练掌握体前变向、运球转身、变向假动作和连续虚晃等技术, 强调球的落点保持在体侧利用身体和非控球手保护球并抬头观察情况。运球过程中结合过人、上篮、传球等技术, 占据积极主动位置, 先发制人, 以假动作诱使防守队员做出错误判断。练习方法如:原地各种运球练习、行进间各种运球练习、全场一对一练习、一对一加传球练习、运球传球投篮上篮练习等。 (以上均为左右手练习)

4.4 投篮假动作

投篮准确与否是决定胜负标志, 投篮最能引起防守队员的条件反射动作, 实战中常见篮下投篮时做幅度较小的上提虚晃投篮假动作。外线投篮时结合传球、突破的假动作或者利用移动、转身、变速、变向来摆脱防守获得投篮机会。训练中要结合对技术动作的理解和对对手动作的判断来采取相应的假动作。每一次的投篮练习都要结合移动、跑位、观察防守, 用视线、躯体去感知对手的位置和动作, 在熟练掌握投篮技术的基础上广泛结合运用假动作, 以确保投篮动作的合理性。练习方法如:急停虚晃投篮练习、急停跳投、转身跳投、摆脱接球投篮、一对一篮下对抗等。

4.5 持球突破假动作

利用假投、假传和左、右方向变化、后转身等假动作迷惑对手能极大地发挥突破技术的巨大威力, 突破技术成功的关键是时机。训练中要强调的是瞬间机会的把握及抢占位置。利用移动破坏防守队员的重心, 利用假动作诱使防守队员偏移重心以获取突破的时机。练习方法如:原地左晃右突、原地右晃左突、移动接球突破、投篮假动作突破、连续假动作突破等。

4.6 不同动作形式的组合运用形成组合的假动作

在现代篮球比赛中, 单一的假动作已经远不能满足进攻者摆脱防守的要求, 运动员常常必须做几个假动作才能摆脱防守。有时正面的简单假动作不能摆脱防守时, 需要运用灵巧多变假动作才能取得效果。因此, 运动员常常需要高难度的或组合式的假动作。练习方法如:摆脱接球一对一、全场策应一对一、摆脱接球突破分球、掩护配合、传切配合、综合假动作练习等。

5 结语与建议

(1) 总之, 篮球运动中假动作运用无处不在, 我们要重视对假动作的理解与训练, 要通过理论课使队员更好的掌握篮球运动的规律, 通过训练、比赛和观看比赛中来积累经验、总结教训, 提高运动员场上情况的预见和快速的反映能力。

(2) 在练习技术初期就要结合练习假动作, 同时学习, 同时掌握。

(3) 技术练习中加强身体重心的控制练习。

(4) 连续的技术动作运用结合连续的假动作运用。

(5) 加强身体的协调性素质练习, 提高手、脚、腰协调配合, 提高连续做动作的能力。

摘要：本文总结了篮球技术中进攻和防守的假动作的类型, 提出在训练和比赛中如何合理的运用假动作, 在训练中如何训练假动作, 为篮球运动员正确掌握和运用假动作提供参考。

关键词：高校,篮球选项课,改革

参考文献

[1] 车志宏.篮球进攻假动作类型及运用[J].阴山学刊, 2008 (6) :68～71.

[2] 曾二鸣.对篮球比赛中进攻假动作的研究[J].河北体育学院学报, 2003 (2) :17～18